論文の概要: Concept Alignment Contrast and Long-Short Prompt Memory for Test-Time Adaptation of SAM3 in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.22963v2
• Date: Wed, 01 Jul 2026 07:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.569025
• Title: Concept Alignment Contrast and Long-Short Prompt Memory for Test-Time Adaptation of SAM3 in Medical Image Segmentation
• Title（参考訳）: SAM3の医用画像セグメンテーションにおけるテスト時間適応のためのコントラストとロングショートプロンプトメモリ
• Abstract要約: テスト時間適応(TTA)は、アノテーションなしでオンザフライでモデルを更新することで、テストパフォーマンスを改善するために不可欠である。 既存の視覚言語TTA法は主に画像レベルの不確実性最小化によって駆動される。 本稿では,SAM3の医用画像に対するConcept Alignment ContrastとLongShort Prompt Memory for Test-Time Adaptation (CM-TTA)を提案する。
• 参考スコア（独自算出の注目度）: 14.712933368175008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept segmentation models like Segment Anything Model 3 (SAM3) show strong generalization on natural images, yet their performance degrades in medical imaging due to the domain gap caused by different imaging principles and styles. Test-Time Adaptation (TTA) is essential for improving the testing performance by updating the model on the fly without annotations. However, existing vision-language TTA methods are mainly driven by image-level uncertainty minimization, which does not necessarily reflect region-level semantic correctness in medical segmentation. Moreover, they often lack mechanisms to maintain stability in continual one-pass adaptation, leading to limited performance when reliable dense supervision is missing for segmentation. To address these issues, we propose Concept Alignment Contrast and LongShort Prompt Memory for Test-Time Adaptation (CM-TTA) of SAM3 for medical images. First, for a test sample with multiple augmentations, we introduce a novel Concept Alignment Contrast (CAC) metric, which leverages textual-visual semantic consistency to robustly evaluate prediction quality to select the best augmented view as the supervision. Second, to balance rapid and stable adaptation, we design a Long-Short Prompt Memory (LSPM) module. The short memory dynamically fuses recent prompts based on CAC scores for agile local adaptation, while the long memory maintains a stable global prompt to generate enhanced pseudo-labels. Finally, a Densely Supervised Prompt Update (DSPU) strategy is proposed to optimize the prompt embeddings with enhanced pseudo labels as dense supervision. Extensive experiments on prostate and skin lesion segmentation demonstrate that our CM-TTA framework significantly outperforms existing methods for TTA of SAM3. The code is available at https://github.com/SherlockZYB/CM-TTA.
• Abstract（参考訳）: Segment Anything Model 3 (SAM3)のような概念セグメンテーションモデルは、自然画像に強い一般化を示すが、そのパフォーマンスは、異なる画像原理とスタイルによって引き起こされる領域ギャップによって、医療画像において低下する。 テスト時間適応(TTA)は、アノテーションなしでオンザフライでモデルを更新することで、テストパフォーマンスを改善するために不可欠である。 しかし、既存の視覚言語TTA法は主に画像レベルの不確実性の最小化によって駆動され、医療セグメント化における領域レベルの意味的正当性を必ずしも反映しない。 さらに、連続的なワンパス適応における安定性を維持するメカニズムが欠如しており、セグメンテーションに信頼性の高い高密度監視が欠如している場合、性能が制限される。 これらの課題に対処するために,SAM3 の概念整合コントラストとLongShort Prompt Memory for Test-Time Adaptation (CM-TTA) を提案する。 まず,複数の拡張を施したテストサンプルに対して,テキストと視覚のセマンティックな一貫性を活用して予測品質を頑健に評価し,最高の拡張ビューを監督者として選択するコンセプトアライメントコントラスト(CAC)メトリクスを提案する。 第2に、高速かつ安定した適応のバランスをとるために、Long-Short Prompt Memory (LSPM) モジュールを設計する。 ショートメモリは、アジャイルのローカル適応のためのCACスコアに基づいて最近のプロンプトを動的に融合し、ロングメモリは、拡張された擬似ラベルを生成するための安定したグローバルプロンプトを維持している。 最後に,Densely Supervised Prompt Update (DSPU) 戦略を提案する。 前立腺および皮膚病変の分節化に関する広範囲にわたる実験により,本フレームワークはSAM3の既存のTTA法よりも有意に優れていた。 コードはhttps://github.com/SherlockZYB/CM-TTAで公開されている。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• Memory-Supported Synergistic Adaptation for Training-Free Test-Time Medical Image Segmentation [45.4173998742666]
  テスト時間適応(TTA)は、未ラベルのターゲットデータを持つモデルを推論時に適応させることにより、分散シフトを軽減することを目的としている。 医用画像セグメンテーションのための新しいトレーニングフリーTTAフレームワーク, メモリ・サポーブド・シナジスティック・アダプテーション (MSSA) を提案する。
  論文  参考訳（メタデータ） (2026-07-20T08:41:47Z)
• AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
  我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。 このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。 5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-06-28T11:36:31Z)
• Mask to Concept: Auto-Promptable SAM3 via Efficient Test-Time Concept Embedding Search for Few-Shot Annotation [15.034102800030217]
  Mask to Concept (M2C) は、SAM3を外部モジュールを使わずに、医療的な小ショットアノテーションに適応する効率的なフレームワークである。 M2Cは、その凍結したアーキテクチャの中で、転送可能な視覚概念を検索する。 医用セグメンテーションのベンチマーク実験により,SOTAの少数ショットセグメンテーション性能と優れたアノテーション効率が得られた。
  論文  参考訳（メタデータ） (2026-06-25T07:44:37Z)
• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
  大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。 ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
  論文  参考訳（メタデータ） (2026-05-17T18:07:08Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• Adapting Segment Anything Model 3 for Concept-Driven Lesion Segmentation in Medical Images: An Experimental Study [6.850135803678454]
  病変の分節に対するSegment Anything Model 3 (SAM3) の体系的評価を行った。 11種類の病変を含む13のデータセットの実験では、SAM3が強い相互モダリティの一般化を実現することが示されている。 これらの結果は,スケーラブルで実用的な医用画像セグメンテーションのための概念ベース基盤モデルの可能性を強調した。
  論文  参考訳（メタデータ） (2026-03-26T22:30:10Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• BALR-SAM: Boundary-Aware Low-Rank Adaptation of SAM for Resource-Efficient Medical Image Segmentation [11.634558989215392]
  Segment Anything Model (SAM)のようなビジョン基盤モデルは、ドメイン固有の適応が欠如しているため、しばしば医療画像のセグメンテーションに苦労する。 医療画像のSAMを強化する境界対応低ランク適応フレームワークであるBALR-SAMを提案する。 2) SAMのVision Transformerブロックに組み込まれた低ランクのアダプタは、医学的コンテキストにおける特徴表現と注意を最適化し、同時にパラメータ空間を著しく削減する。
  論文  参考訳（メタデータ） (2025-09-29T02:36:09Z)
• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• SSAM: Self-Supervised Association Modeling for Test-Time Adaption [42.00379819876794]
  SSAM(Self-Supervised Association Modeling)は、2相アソシエーション学習による動的エンコーダの洗練を可能にする新しいTTAフレームワークである。 提案手法は,1)特徴空間の再構成を導くための確率的カテゴリアソシエーションを推定するソフトプロトタイプ推定(SPE)と,2)クラスタ条件による画像特徴再構成によるエンコーダの安定性を向上するPIR(Prototype-anchored Image Reconstruction)の2つの相乗的コンポーネントを介して動作する。
  論文  参考訳（メタデータ） (2025-05-31T11:13:07Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。